本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

Apr, 2020

本研究提出了一种基于深度学习的时间序列呼吸数据分类方法，采用了一维卷积神经网络 (1D-CNN) 对呼吸数据进行分类，通过遗传算法优化了 1D-CNN 的架构，同时对预训练模型进行了迁移学习以提高算法的训练效率。这项研究为运用深度学习方法提升呼吸异常检测的准确性和效率提供了有价值的见解。

Dec, 2023

通过使用深度学习，本研究从普通视频中估计婴儿的呼吸频率和波形，为婴儿呼吸监测提供自动、连续和非接触性的方法。通过构建 AIRFlowNet 模型并使用公开的婴儿呼吸数据集 (AIR-125) 进行训练和测试，结果表明该方法在呼吸频率估计方面明显优于其他公开模型，平均绝对误差为约 2.9 次 / 分钟，而其他设计用于成人主体和更一致环境的模型的平均绝对误差在约 4.7-6.2 次 / 分钟。

Jul, 2023

本研究旨在优化低功耗传感技术在医疗保健中的应用，通过使用机器学习和神经网络的方法对生理信号进行监测和识别，提高传感设备的临床价值，并在使用嵌入式处理器 nRF52 时实现低功耗高精度计算。

Jan, 2020

该研究提出了一种使用实时低成本光电脉搏图作为输入信号的、连续估计呼吸频率的深度学习模型：RRWaveNet。该模型具有高性能和便携性，可以在远程监测和家庭医疗等情况下实现精确且实用的呼吸频率计算，表明远程呼吸监测在远程医疗的背景下具有可行性。

Aug, 2022

在肺放射疗法中，红外相机可以记录胸部上反射物体的位置，以推断因呼吸而移动的肿瘤的位置，但治疗系统延迟影响了辐射光束的精确性。本研究评估了资源高效的在线 RNN 算法（无偏在线重复优化，SnAp-1 和 DNI）准确预测放射疗法治疗期间的呼吸运动的能力。

Mar, 2024

通过提出 sparrowSNN 硬件设计和优化 SNN 在心跳分类中的功耗，我们在 MIT-BIH 数据集上实现了 98.29% 的准确率，每次推断仅消耗 31.39nJ 的能量和 6.1uW 的功率，使得 sparrowSNN 在同类系统中具有最高的准确率和最低的能量消耗。

May, 2024

本文介绍了利用可穿戴设备识别睡眠阶段的方法，并使用 NetHealth 数据集和深度学习算法 Convolutional Neural Networks 和传统的 Random Forest 进行了比较。

Mar, 2023

本研究提出了一种利用不连续光波信号从机械机器人胸部反射出来的方法来检测非接触式呼吸异常，与现有的用于监测生命体征的雷达和摄像头感应系统相比，该技术仅使用低成本的常见光源（如红外线发光二极管）和传感器（如光电二极管），该光波感应系统能够识别机器人胸部反射光强的变化中的不同呼吸异常。呼吸异常检测模型使用机器学习方法在分类 7 种不同呼吸数据时达到了 96.6% 的平均准确率，该模型还能够检测系统收集的不包含呼吸信息的错误数据。这个开发的系统可以作为一个智能、非接触和隐蔽的呼吸监测方法在家庭或医疗设施中使用。

Nov, 2023

本文提出了一种使用卷积 - 循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据，其中使用穿戴式设备采集的 PPG 数据进行了 AFib 检测，结果表明该架构具有良好的准确性。

Jul, 2018